一种图像压缩方法、装置、服务器及存储介质制造方法及图纸

本发明专利技术公开了一种图像压缩方法、装置、服务器及存储介质，该方法包括：对m个样本图像提取多个关键点，每个所述关键点包括长度为n的向量；对所述关键点进行聚类以获得的多个聚类簇中心，使用所述多个聚类簇中心定义聚类像素矩阵；基于所述关键点和所述多个聚类簇中心的距离对所述关键点所属的所述m个样本图像进行聚类，以获得图像聚类矩阵；根据所述聚类像素矩阵和所述图像聚类矩阵生成图像压缩矩阵以定义m个样本图像压缩后的m个目标图像，每个所述目标图像包括长度为n的向量。本发明专利技术的技术方案实现了实现便于图像检索以及检索中的相关性水平标注以提高检索质量。

【技术实现步骤摘要】
一种图像压缩方法、装置、服务器及存储介质
本专利技术实施例涉及图像识别技术，尤其涉及一种图像压缩方法、装置、服务器及存储介质。
技术介绍
随着成像技术的发展，眼科数字影像已成为眼科学的主要数据，这一趋势驱动着眼科影像检索系统的建设，以辅助医生临床决策。近年来，在医学影像领域，以深度卷积网络(CNN)为代表的深度学习算法在眼科影像的疾病分类和病灶分割上获得了优异性能，在提取纹理、颜色、形态等特征上超过传统分类器如支持向量机(SVM)、随机森林(RF)等，加速了眼科影像检索系统的发展。但目前眼科影像的数据集都为分类、分割、检测任务而采集，这些数据集用在检索任务时，只能进行相关性标签的有监督训练，而不能进行相关性水平的有监督训练。
技术实现思路
本专利技术提供一种图像压缩方法、装置、服务器及存储介质，以实现便于图像检索以及检索中的相关性水平标注以提高检索质量。第一方面，本专利技术实施例提供了一种图像压缩方法，包括：对m个样本图像提取多个关键点，每个所述关键点包括长度为n的向量；对所述关键点进行聚类以获得的多个聚类簇中心，使用所述多个聚类簇中心定义聚类像素矩阵；基于所述关键点和所述多个聚类簇中心的距离对所述关键点所属的所述m个样本图像进行聚类，以获得图像聚类矩阵；根据所述聚类像素矩阵和所述图像聚类矩阵生成图像压缩矩阵以定义m个样本图像压缩后的m个目标图像，每个所述目标图像包括长度为n的向量。第二方面，本专利技术实施例还提供了一种图像压缩装置，包括：关键点提取模块，用于对m个样本图像提取多个关键点，每个所述关键点包括长度为n的向量；聚类像素矩阵定义模块，用于对所述关键点进行聚类以获得的多个聚类簇中心，使用所述多个聚类簇中心定义聚类像素矩阵；图像聚类矩阵生成模块，用于基于所述关键点和所述多个聚类簇中心的距离对所述关键点所属的所述m个样本图像进行聚类，以获得图像聚类矩阵；图像压缩矩阵生成模块，用于根据所述聚类像素矩阵和所述图像聚类矩阵生成图像压缩矩阵以定义m个样本图像压缩后的m个目标图像，每个所述目标图像包括长度为n的向量。第三方面，本专利技术实施例还提供了一种服务器，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上述的图像压缩方法。第四方面，本专利技术实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述的图像压缩方法。本专利技术的技术方案通过对m个样本图像提取多个关键点，每个所述关键点包括长度为n的向量；对所述关键点进行聚类以获得的多个聚类簇中心，使用所述多个聚类簇中心定义聚类像素矩阵；基于所述关键点和所述多个聚类簇中心的距离对所述关键点所属的所述m个样本图像进行聚类，以获得图像聚类矩阵；根据所述聚类像素矩阵和所述图像聚类矩阵生成图像压缩矩阵以定义m个样本图像压缩后的m个目标图像，每个所述目标图像包括长度为n的向量，解决了在图像检索时图像像素庞大检索不便的问题，达到了便于图像检索以及检索中的相关性水平标注以提高检索质量的效果。附图说明图1是本专利技术实施例一中的图像压缩方法的流程图。图2是本专利技术实施例二中的图像压缩方法的流程图。图3是本专利技术实施例三中的图像压缩装置的结构示意图。图4是本专利技术实施例四中的服务器的结构示意图。具体实施方式下面结合附图和实施例对本专利技术作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本专利技术，而非对本专利技术的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本专利技术相关的部分而非全部结构。在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各步骤描述成顺序的处理，但是其中的许多步骤可以被并行地、并发地或者同时实施。此外，各步骤的顺序可以被重新安排。当其操作完成时处理可以被终止，但是还可以具有未包括在附图中的附加步骤。处理可以对应于方法、函数、规程、子例程、子程序等等。此外，术语“第一”、“第二”等可在本文中用于描述各种方向、动作、步骤或元件等，但这些方向、动作、步骤或元件不受这些术语限制。这些术语仅用于将第一个方向、动作、步骤或元件与另一个方向、动作、步骤或元件区分。举例来说，在不脱离本申请的范围的情况下，可以将第一速度差值为第二速度差值，且类似地，可将第二速度差值称为第一速度差值。第一速度差值和第二速度差值两者都是速度差值，但其不是同一速度差值。术语“第一”、“第二”等而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本专利技术的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。实施例一图1为本专利技术实施例一提供的图像压缩方法的流程图，本实施例可适用于图像压缩情况，该方法具体包括如下步骤：S110、对m个样本图像提取多个关键点，每个所述关键点包括长度为n的向量。本实施例中，一张图像的表示可以通过提取图像的关键点来描述，该关键点也可以称为关键点描述子，包括关键点的像素特征向量。本实施例可以通过SIFT算法即尺度不变特征转换(Scale-invariantfeaturetransform，SIFT)算法进行关键点提取。该算法以特征点为中心取16×16的邻域作为采样窗口，将采样点与特征点的相对方向通过高斯加权后归入包含8个bin的方向直方图，最后获得4×4×8的128维关键点描述子。当两张图像的关键点描述子生成以后，下一步就可以采用关键点特征向量的欧式距离来作为两张图像中关键点的相似性判定度量。每张影像的关键点数量不一样，取决于算法对关键点的检测。假设每个关键点有n维，m张影像共提取d个关键点。这样，从m张影像中提取了大小为(d,n)的矩阵，这个矩阵反应这个数据集所有关键点的结构信息，每个关键点用n维表示。通常n非常小，比如128维。这一步将数据集的内在结构信息通过SIFT算法挖掘出来，即把整个数据集的所有关键点(d个)都检测出来，并用描述子表示(n维特征向量)。S120、对所述关键点进行聚类以获得的多个聚类簇中心，使用所述多个聚类簇中心定义聚类像素矩阵。本实施例中，在对样本图像提取出关键点后，可以获得d个关键点，每个关键点用n为像素表示，则形成大小为(d,n)的矩阵，其反映了m张影像数据集的内在结构信息。由于d也是非常大的数值，匹配计算时所需时间多，则需要对关键点进行聚类，示例性的，可以以坐标系为基准将所有关键点划分为k个簇，可以先设置多个聚类簇中心，根据欧式距离算法计算关键点与各个聚类簇中心的距离来对关键点进行归类划分。K的设置需要根据经验设置，一般来说越大越能保留原始结构信息，但越大性能越低，是一个效率和效果平衡的问题。经过聚类后，大小为(d,n)的关键点矩阵本文档来自技高网...

【技术保护点】
1.一种图像压缩方法，其特征在于，包括：/n对m个样本图像提取多个关键点，每个所述关键点包括长度为n的向量；/n对所述关键点进行聚类以获得的多个聚类簇中心，使用所述多个聚类簇中心定义聚类像素矩阵；/n基于所述关键点和所述多个聚类簇中心的距离对所述关键点所属的所述m个样本图像进行聚类，以获得图像聚类矩阵；/n根据所述聚类像素矩阵和所述图像聚类矩阵生成图像压缩矩阵以定义m个样本图像压缩后的m个目标图像，每个所述目标图像包括长度为n的向量。/n

【技术特征摘要】
1.一种图像压缩方法，其特征在于，包括：
对m个样本图像提取多个关键点，每个所述关键点包括长度为n的向量；
对所述关键点进行聚类以获得的多个聚类簇中心，使用所述多个聚类簇中心定义聚类像素矩阵；
基于所述关键点和所述多个聚类簇中心的距离对所述关键点所属的所述m个样本图像进行聚类，以获得图像聚类矩阵；
根据所述聚类像素矩阵和所述图像聚类矩阵生成图像压缩矩阵以定义m个样本图像压缩后的m个目标图像，每个所述目标图像包括长度为n的向量。


2.根据权利要求1所述的图像压缩方法，其特征在于，所述对m个样本图像提取多个关键点包括：
对所述m个样本图像进行预处理以转换成m个灰度图像；
对所述m个灰度图像提取所述关键点。


3.根据权利要求2所述的图像压缩方法，其特征在于，所述对所述m个样本图像进行预处理以转换成m个灰度图像包括：
采用中值滤波法对所述m个样本图像进行去噪处理；
将进行去噪处理后的所述m个样本图像由RGB色度空间转换成m个灰度图像。


4.根据权利要求2所述的图像压缩方法，其特征在于，所述对所述m个灰度图像提取所述关键点包括：
将所述灰度图像经过高斯函数卷积和降采样获得高斯金字塔图像；
将相邻两层的所述高斯金字塔图像相减获得高斯差分图像，并在所述高斯差分图像上检测所述关键点，并根据邻域像素确定所述关键点的主方向，所述主方向为所述关键点基于像素的特征向量的方向。


5.根据权利要求4所述的图像压缩方法，其特征在于，所述对所述关键点进行聚类以获得的多个聚类簇中心，使用所述多个聚类簇中心定义聚类像素矩阵包括：
使用所述高斯金字塔图像的顶层图像进行Kmeans聚类以计算出多个聚类簇中心；
通过计算所述关键点与所述聚类簇中心的距离对所述关键点进行归类以生成所述聚类像素矩阵。

【专利技术属性】
技术研发人员：方建生，刘江，
申请(专利权)人：南方科技大学，
类型：发明
国别省市：广东;44